乳腺癌是全球最常见的癌症,其发病率和死亡率居高不下,严重危害着女性的健康。组织病理图像分析是乳腺癌诊断的“黄金标准”,但图像的复杂性和多样性使得病理医生的诊断过程耗时耗力且效率低下。另外,病理医生的经验阅历不同以及分析病理图像时的主观性甚至可能会导致误诊。目前,深度学习在计算机视觉和图像处理等领域崭露头角,也为计算机辅助诊断提供了一种新的思路和途径。本文以苏木精-伊红染色的乳腺组织病理图像数据集为基础,对基于深度学习的乳腺病理图像分类问题进行了研究,主要内容如下:（1）针对双线性卷积神经网络（Bilinear Convolutional Neural Network,B-CNN）感受野缺乏多样性、分类精度不高的问题,设计了改进的B-CNN模型对Brea KHis数据集中的乳腺组织病理图像进行自动分类。模拟病理学家在分析病理图像时的多尺度分析方法,本文在B-CNN中引入了多尺度感受野,用Inception网络作为特征提取器替代原本的VGG网络。针对数据集中图像存在染色差异的问题,利用一种用于组织病理图像染色标准化的方法,让图像在染色标准化时只改变颜色外观而不会破坏结构信息。由于数据集中的图像数量不足且每类图像的分布不均衡,本文采用翻转和按比例从各类图像中提取图像块的方式,让每一类图像的训练样本数量接近,同时解决样本不均衡和数量不足的问题。利用改进的网络分别对四个放大倍数的组织病理图像进行分类,并使用迁移学习对网络进行微调,实验结果表明,改进后的B-CNN模型提高了分类准确率。（2）本文以深度残差网络Res Net101为基础,在残差块上进行改进,并在改进的Res Net101中增加SE模块,设计了SE-Res Net-B网络模型,利用改进后的网络对高分辨率的乳腺组织病理图像进行二分类和四分类。由于高分辨率的图像无法直接送入网络中训练,本文在染色标准化步骤后,采用512×512大小的滑动窗口对高分辨率图像进行采样,确保可以包含图像的诊断信息,并设置50%的重叠率,增加采样块之间的特征连续性。在分类策略上,本文首先对采样图像块进行分类,再利用多数投票算法得到原高分辨率图像的分类结果。实验结果表明,改进后的SE-Res Net-B明显提升了网络的分类性能,在ICIAR 2018数据集上的二分类和四分类准确率达到了96.25%和88.75%。